随着信息时代的发展,特别是云计算和大数据的出现,分布式优化理论和应用得到了越来越多的重视。近年来,分布式优化问题已遍及工程应用、科学研究和社会生活等众多领域。对于分布式优化问题,一致性优化算法成为研究此类问题的一个重要手段,并且在实际应用中具有重大的意义。但是,对于分布式优化问题,构造结构简单的一致性优化算法是一件挑战性的工作。本文系统地探讨两类约束分布式凸优化问题,其中约束分布式凸优化问题的全局目标函数可以表示为一些局部凸目标函数的和。基于多智能体网络的特点,构造了结构简单的连续时间优化算法,主要结果如下:第2章中,讨论一类带有一般约束的极大极小分布式凸优化问题。首先,基于极大极小函数的逼近理论,用一列分布式优化问题来逼近原极大极小分布式凸优化问题。然后,针对逼近分布式优化问题,提出一个带有投影的基于多智能体网络的连续时间优化算法。该算法可以描述为一个动力系统,并将逼近分布式凸优化问题的最优解问题等价为这个动力系统的平衡点问题。最后,通过Lyapunov方法,证明了该动力系统是稳定的且其状态解收敛到逼近问题的最优解。最后,给出了两个数值仿真来说明该算法的有效性。第3章中,研究一类带有等式和不等式约束的分布式凸优化问题。基于Karush-Kuhn-Tucker条件,提出一个建立在无向连通网络上的的连续时间优化算法。多智能体网络以无向图形式连接,且每个智能体仅仅有局部的目标函数与自身的约束信息。与现有的连续时间算法相比,该算法具有较低的复杂结构,易于实现等优点。该算法可以描述为一个动力系统,通过Lyapunov方法分析了该动力系统的收敛性及稳定性,并证明该算法的状态解是收敛到优化问题的最优解。最后,给出一个数值算例来说明该算法的实用性。